基于智能用電網絡的負荷狀態與類型在線辨識

郭治遠 ,李志勇 ,邵潔 ,黃婷，周歡 ,范帥，何光宇

(1.電力傳輸與功率變換控制教育部重點實驗室(上海交通大學),上海市 200240;2.上海交通大學電子信息與電氣工程學院,上海市 200240;3.國網上海浦東供電公司張江科學城能源服務中心,上海市 201210;4.國網上海市電力公司電力調度控制中心,上海市 200122)

0 引言

用電側是智能電網的重要組成部分,包含多類電器設備,產生的數據量巨大。目前基于物聯網技術將海量電器負荷聚合形成的智能用電網絡已具備可觀的產業規模。在此背景下,將負荷辨識技術和智能用電網絡的主動控制手段結合起來,對內可促進需求側安全、經濟運行,對外可作為虛擬電廠參與電力系統調節,促進新能源消納,有效推動國家“雙碳”目標的實現。

智能用電網絡是由智慧網關及其管轄的插座、開關等終端組成的用電側管理系統[1],相關產業技術日趨成熟、市場規模巨大,目前智能控制產品市場已達200 億元以上[2]。基于智能用電網絡的負荷辨識能夠提供監、管、控一體的閉環管理,是以直接控制負荷為手段的需求側管理的先決條件[3],能夠為違禁電器檢測、故障自動診斷等應用提供信息基礎[4],具有重要的研究價值。

目前,電器負荷的狀態辨識暫無統一的定義,在非侵入式負荷監測領域,較常用的定義包括兩類:1)將功率數據聚類產生的類別作為電器狀態[5-6];2)視電器功率每1 W 為一檔,每個檔位為一個狀態[7]。然而,這些定義常適用于能量分解,不能明確地反映電器實際的運行工況。在設備故障與健康監測研究中,電器狀態則往往指電器的退化或健康狀態[8],一般針對特定設備,缺乏通用性。其他關于電器狀態的定義還有:光、聲、電等信息反映出的電器具體動作狀態[9];暫態層面家用負荷啟動及關閉的數據形態[10]。以上定義均不能從易于量測的功率數據中挖掘電器的運行工況,為狀態這一含義的擴展應用帶來了局限性。

在負荷類型辨識方面,文獻[11]采用Bagging、Boosting 等多種方法對辦公環境下的插座負荷類型進行在線識別,文獻[12]提取了功率、使用時間和地點等19 種特征,采用隨機森林方法對插座類型進行識別,其插座負荷辨識采用了多分類視角,且特征提取選取了數據的統計特征,導致擴展性較差。在非侵入式負荷監測領域,文獻[13]對高頻場景下的負荷投切采用模擬退火方法進行特征提取并利用貝葉斯算法進行分類,文獻[14]對低頻數據使用多特征融合及隱馬爾可夫模型(hidden Markov model,HMM)實現類型辨識及能量的分解,但采用的前向算法需依賴較長一段時間的跟蹤。智能用電網絡數據采集周期在秒級以上,而非侵入的方式在低頻場景更多關注于負荷能量的正確分解,對類型的辨識難以同時兼顧實時性和準確率,同時可擴展性的討論也相對較少。

鑒于此,本文提出改進分段算法并結合隱馬爾可夫模型識別具有漸變特征的電器狀態功率數據,實現識別狀態與電器工況的對應;在低頻數據場景實現接入2 min 即可準確辨識電器類型,并通過單分類視角,結合特殊工況的特征提取手段以及未知負荷的增量辨識方法加強算法的可擴展性。實證表明,所提方法對于負荷的類型和工況狀態能夠準確、快速地進行識別。

1 智能用電網絡及其負荷辨識挑戰

智能用電網絡一般特指基于高級量測體系(advanced metering infrastructure,AMI)的用電側能源管理系統,其典型網絡拓撲可分為感知層、傳輸層、平臺層與應用層,如圖1 所示。其中,感知層包含了插座、開關、紅外遙控等具備量測與控制功能的智能終端;傳輸層一般為網關或協調器,用于聚合底層各終端設備,并與平臺和應用層進行交互。智能用電網絡旨在為用戶提供智能化的用電服務,以及對需求側進行管理[15]。

智能用電網絡通常以自趨優的節能或安全用電作為實施目標。自趨優控制的先決條件即為網關自主辨識所轄負荷類型和運行狀態,繼而基于評價模型來調節,該過程隱含了量測—辨識—控制—量測的閉環管理[16]。智慧網關先基于來自智能插座的負荷數據進行快速負荷類型和狀態辨識,再結合辨識結果和運行數據對電器進行優化控制,最后通過反饋的電器運行數據進行下一次優化控制,這樣循環直至滿足停止條件。基于此,智能用電網絡中的負荷辨識具有如下挑戰:

1)以實現控制為目標:辨識的目標是為后續的負荷控制提供信息基礎,因此需建立電器類型、接入插座和運行狀態之間的強映射關系。

2)低頻場景下的準確率要求:智能插座的采樣頻率通常不高,為1/60～1 Hz,需在低頻的數據條件下保證負荷辨識準確率,避免錯誤的控制。

3)實時性要求:優化控制要求負荷類型和狀態辨識具有高時效性,否則將失去控制的意義。

綜上所述,在低頻場景下,以智能電表數據為基礎的非侵入式負荷辨識技術并不完全適用于智能用電網絡的閉環管理控制體系,特別是在房間內有多臺相同類型電器時無法明晰具體哪個電器需調控,這增加了智慧網關自趨優式控制的難度。因此,本文提出了適用于智能用電網絡的電器負荷辨識方法及其技術架構。

2 電器級負荷的狀態感知與類型辨識方法

2.1 基于事件的量測機制與負荷在線辨識流程

智能用電網絡是以事件驅動方式進行量測數據上傳的[16],即在智能插座內,當前量測結果與上一時間周期的量測結果產生一定變化后再進行上報,該方式實現了動態可變的精準數據采集和穩定實時通信。因此,量測到的電器功率具有連續性,需先從連續數據點中對電器的接入或斷開進行檢測,負荷辨識算法僅在電器接入時進行。

基于該方式,將電器的工作周期定義為:在插座無負荷時,產生了事件則認為電器已接入,當檢測到功率持續接近0 一段時間時,認為電器工作已結束,插座進入無負荷狀態,如此循環往復。基于該方法的負荷在線類型及狀態辨識流程如圖2 所示。

由圖2 可知,在首次事件產生后,可對每個事件突變發生點進行負荷狀態序列辨識和更新;在電器接入后的2 min,可結合已有狀態序列進行電器類型識別。實際應用中一段數據的辨識過程如附錄A 中圖A1 所示。

圖2 事件驅動量測機制下的負荷在線辨識流程Fig.2 Load monitoring method based on event-driven multi-agent measurement mechanism

2.2 電器狀態的感知與建模

狀態感知的目標是檢測當前電器工作的運行工況,主要應用在電器故障自動診斷和不可中斷工作環節的控制中。

2.2.1 電器工況的數據形態

電器工況的轉變一般可由功率數據出現不同趨勢和形態來表征,如附錄圖A1 和表A1 所示。常見電器工況的功率形態可分為以下2 種:1)平直片段,如圖3(a)所示的阻抗型電器;2)曲線片段,如圖3(b)、(c)所示的壓縮機功率、正溫度系數(positive temperature coefficient,PTC)熱敏電阻元件加熱啟動時的非恒溫工況[17],以及充電電池類電器恒壓或涓流浮充工況[18]。

圖3 電器功率數據形態Fig.3 Patterns of appliance power data

為此,可將實際電器的量測數據組合為不同形態功率片段序列。

式中:PMeasure為電器工作的量測曲線;為第i個功率片段。

2.2.2 基于改進CUSUM的分段算法電器的運行工況常基于雙邊累積和(cumulative sum,CUSUM)算法[19]進行判別,其通過累積統計量En判斷是否發生分段,如式(2)所示:

式中:xn為第n個點的量測值;μ0為上一異變點到當前時刻的量測均值;β為可能存在的噪聲水平或穩定閾值;或表示數據整體的分布向增大或減小偏移的累積量,當En大于某一閾值H時判斷發生分段。

在該算法中,其弊端為難以劃分具備相同趨勢的數據段[20]。因此,本文做出如下改進:

1) 將累積量改為一階均差值xn=fdiff[PMeasure(t)],旨在刻畫累計的數據趨勢。

2)增加穩定時間累積判據,在趨勢累積判定異變點之外,當xn＜β,累積時間Tn超過一定閾值,也視作異變點。

3)改進異變點判據,當且僅當以下條件均滿足才視作產生異變點,式中sgn(·)為符號函數,x0為上一異變點的一階均差值,TH為穩定時間閾值:

以上改進中,前兩個改進點實現了將數據的增大、減小或平穩時間進行累積以判斷異變點,改進點3)則避免了同一趨勢下的數據因閾值變化而導致的錯誤分段。

2.2.3 基于k-medoids 聚類和隱馬爾可夫模型的電器狀態參數刻畫

為實現電器工況的實時跟蹤,需對分段后的功率片段進行對應狀態的辨識。本文以隱馬爾可夫過程刻畫電器的狀態變遷,其過程如下:首先,在訓練階段采用k-medoids 聚類方法對歷史數據中的同一狀態片段進行聚合;然后,基于頻數統計法分別計算隱馬爾可夫模型中的各參量;最后,在實時辨識階段采用維特比算法進行狀態序列的跟蹤。類似方法已在較多文獻中被提及[7],在此不過多贅述。

需要說明的是,對于HMM 模型參數中的觀測輸出概率,采用二元正態分布fGuassian-2d(·)進行計算,統計量為:與擬標準曲線間的動態時間規劃距離fdtw(Pstandard,Pseg) 和持續時間Tseg,如式(4)所示。

式中:表示第t段狀態;ot表示第t段觀測,即分段得到的功率片段;si為電器模型中的第i個狀態;Pseg為當前分段得到的功率片斷,表示由該狀態歷史數據擬合得到的標準曲線,如圖3(c)中紅線所示。

2.3 基于單分類的負荷類型在線辨識

為充分考慮實際應用,類型辨識需具備較好的擴展性[21],具體體現在:

1)獨立性:未知電器負荷不影響已有類型的識別效果,所提技術路線是通過單分類模型實現的。

2)泛化性:同類但不同品牌的電器同樣能夠識別,所提技術路線是通過結合電器特有工作環節實現的。

3)自動擴展性:接入的未知負荷能夠自主創建新的標簽,所提技術路線是通過提出擴展半徑的增量支持向量數據描述(incremental support vector data description,ISVDD)算法實現的。

2.3.1 單分類模型

在未經特殊處理的有監督多分類模型中,輸出結果必為某已知類。若接入新型電器負荷,則會產生誤識別現象,不滿足獨立性要求。其原因在于一般的多分類算法默認樣本標簽屬于訓練集中的某一類,但該假設不適用于設備類型豐富的用戶側。

而在單分類模型中,單一電器模型僅判斷輸入樣本是否為自身類別,頂層分類器中的各單分類模型結果互不影響,因此可以不為任何一類。新負荷分類正確則全部輸出,否則辨識為未知電器,避免了誤識別現象,可滿足獨立性要求。因此,本文采用單分類支持向量數據描述方法(support vector data description,SVDD)[22]來解決此問題。

2.3.2 特征選取

不同品牌的同類電器可能在功率范圍上有所區別,且有時會具有不同的暫態特征。即便如此,同類電器卻無法避免存在類似的運行工況,例如,冰箱必然具有壓縮機工作這一工況。所以從這種特殊工況出發,采用方差較大[23]的算法選取寬松的范圍,即可實現對不同品牌的同類電器辨識,解決泛化性要求。為此,本文提出基于特殊工況的特征選取方式,選取的特征如下:

1)特殊狀態統計特性:功率均值μstate、功率持續時間Tstate以及平均均差,即在本狀態Tstate持續時間內,累積功率的一階均差xk的絕對值并求平均。對同類電器的特殊工況,利用HMM匹配后,提取此狀態的統計特征作為分類屬性。

2) 狀態序列的觀測概率-log[p(Pmeasure|:該特征表示對于某類電器的HMM 模型,產生當前量測數據的對數概率,這樣既能反映每個狀態是否得到正確匹配,又可驗證狀態彼此間的轉移是否符合電器模型。

取2 min 長度的電飯煲量測數據,上述特征歸一化后的分布如圖4 所示。在選取典型研究[12]所述特征重要性最高、區分度最好的統計特征時,特征分布不僅存在與其他電器類別的交疊,而且品牌不同的2類電飯煲特征向量分離較遠。而本文提出的特征中,在消除了與其他類別交疊的現象的同時電飯煲自身類別數據分布更加緊密。

圖4 電器功率數據特征分布對比Fig.4 Comparison of characteristic distribution of power data

2.3.3 擴展半徑ISVDD 算法

新型電器負荷的擴展需要以增量的方式處理無標簽數據,相關算法理論基礎較少,為此提出啟發式的擴展半徑ISVDD 算法來實現對新接入的類別進行自動標注。對于未匹配到任何現有類別的負荷數據,采用如下所示的額外流程處理。

1)構建特征向量:取工作全過程的數據經CUSUM 算法分段后,以每段數據的功率均值、持續時間、最大最小值構建特征向量。

2)初始數據集建立:樣本量較少時無法進行參數的訓練,因此首先以范圍選取的方式積累同類的初始數據集。

式中:yj為第j個偽標簽;為預測標簽;為實測特征向量;為標簽j全部樣本特征向量的中位數,取每個維度元素的1/10;εj為判別范圍。

3)當積累數據量達到10 條,擴展半徑ISVDD 算法開始運行,流程如圖5 所示。

圖5 擴展半徑ISVDD 算法Fig.5 Incremental support vector data description with extended radius algorithm

圖5 中,Xj表示偽標簽類別j的全部樣本,fISVDD(·) 表示通過增量SVDD 算法[24]計算得到新半徑rt的函數,D() 表示SVDD 算法定義的輸入樣本的球心距離。半徑的自動擴展主要通過參數C、ρ和δ實現。C為初始半徑擴展超參數;ρ為小于1的衰減系數,用于控制半徑收斂;δ為增量放大系數,用于發現距當前超球面較遠的樣本時進一步增大半徑。

區別于常規SVDD 僅將落在超球面內的樣本劃分至自身類別,擴展半徑ISVDD 算法中,對落在超球面附近的樣本,也視為自身類別,即增加擴展半徑以增大判定范圍。同時,為避免其他類別與自身類別的樣本由于密度相連現象導致的超球面無限擴展,在半徑更新階段利用小于1的衰減系數ρ來控制半徑收斂。

3 實證分析

3.1 測試方法及測試環境

以實地部署的智能用電網絡及在線辨識系統進行分析。插座采用 RN7211 芯片作為主芯片、CS5460C-ISZ 電能計量芯片作為采集芯片、CC2530 Zigbee 芯片作為通信模塊;網關除Zigbee 模塊外,采用Cortex-A7 作為CPU,并配置1 GB DDR3 作為內存,8 GB EMMC 作為存儲設備,Mali400MP2 作為GPU,基于Linux 平臺進行開發;服務器采用IBM System x3550 M3 服務器。

各插座接入電飯煲、冰箱、電視、燒水壺、飲水機、空調這幾種電器進行功率測量及識別,如附錄圖A3所示,數據經過重采樣后精度為1 Hz。部分數據如圖6 所示,各實驗中數據集的具體情況如附錄表A1、A2 所示。

圖6 本文建立的數據集Fig.6 The data set built in this paper

作為對照,選取了上述6 種不同品牌的電器進行對比,以筆記本電腦、打印機、電磁爐等附加電器的功率數據作為未知電器組成補充數據集。相關數據詳見附錄圖A2 和附錄表A3。

3.2 負荷狀態辨識測試結果

采用滑動窗分段[25]和直接聚類[6]方法與所提改進CUSUM 分段方法分別作用于電熱飯盒和電動汽車的電池,旨在驗證所提狀態劃分算法的準確性,結果如圖7 所示。

由圖7 可知,所提改進CUSUM 方法對漸變特征的工作環節辨識效果顯著好于聚類及滑動窗算法。在電熱飯盒啟動時,內部PTC 電阻溫度不斷升高,功率逐漸下降,恒溫后功率保持恒定,滑動窗算法將升溫和恒溫階段劃分為了同一段,而聚類算法則將升溫階段劃分為三段,改進CUSUM 算法做出了正確的劃分。對于電動汽車的電池充電,其平直段為恒流充電,下降段為恒壓充電,最后功率較低的平直段為涓流浮充,滑動窗算法混淆了恒流和恒壓階段,且將恒壓部分分為兩段,聚類算法對恒壓階段的檢測存在較大延遲,且誤分為兩段,改進CUSUM 算法做出了正確劃分。

圖7 本文方法與滑動窗、聚類方法對比Fig.7 Comparison of segmentation results

進一步,以F1 值和平均絕對誤差(mean-absolute error,MAE)作為量化指標,旨在說明準確性和實時性,2 個指標的計算方式如式(7)和式(9)所示。

式中:γF1為F1 值;TP為真正例,即實際為真且預測為真的樣本數;FP為假正例,即實際為假而預測為真的樣本數;FN為假反例,即實際為真而預測為假的樣本數。F1 值越大分段效果越好[26]。

式中:CP為出現的分段點總數;P(i) -A(i)為預測分段點與實際分段點的間隔采樣數。MAE 越小表示分段延遲越少。

用改進CUSUM 算法、滑動窗分段、直接聚類算法分別判定16 次電器運行的81 個分段點,F1 值和MAE 如表1 所示。

表1 分段效果對比Table 1 The result of segmentation

由表1 可知,所提的改進CUSUM 算法的F1 值高于其他兩類算法,且檢測延遲MAE 更小,表明在準確性和實時性上所提算法均優于滑動窗算法和聚類算法。其原因在于改進CUSUM 方法更符合以趨勢反映工況變化的特點。

3.3 負荷類型識別效果

以基于功率統計量特征的k 近鄰(k-nearest neighbor,KNN)和Bagging 方法[11]與所提的基于特殊工況特征的單分類算法進行對比。評價指標選取式(8)所示查準率P與查全率R,查全率反映對本類電器的識別效率,查準率反映對非本類電器數據能否有效過濾。

3.3.1 準確率分析

將原始數據集以3∶1的方式劃分為訓練集和測試集,基于特殊工況特征提取的單分類方法和基于統計特征的多分類方法查全率和查準率如表2 所示。

表2 訓練集/測試集的類型識別結果Table 2 Type classification result of train/test set

從表2 可知,各方法均能達到較高準確率,故對算法的擴展性進行驗證。

3.3.2 擴展性分析

1)獨立性與泛化性。

擴展性體現在獨立性和泛化性兩方面。維持訓練集不變,在測試集中,正類為同類但與訓練集電器品牌不同的90 條數據,反類為44 條未知電器樣本。查全率為正類誤識別指標,反映泛化性要求;查準率為反類誤識別指標,反映獨立性要求,結果表3 所示。

表3 訓練集/補充測試集的類型識別結果Table 3 Type classification result of train/extend test set

由表3 可知,所提基于狀態和單分類的方法獨立性和泛化性顯著好于單純利用統計特征且采用多分類模型的方法。對正類,識別冰箱、電視等功率隨品牌變化的電器時,傳統方法的查全率大幅下降,而所提的基于電器特殊工況特征方法更具普適性,查全率能維持較高水平;對于反類,多分類模型中大量未知樣本被誤識別,冰箱的查準率甚至低于20%,而單分類模型查準率受未知負荷的影響較小。

2)自動擴展性。

為驗證本文所提擴展半徑ISVDD 算法能夠增量式地對未知電器進行分類,將表2 訓練集中的電飯煲數據和反類數據打亂后依次輸入算法進行訓練。首先驗證分類半徑在長時間電飯煲數據的輸入下能否有效收斂,其次分別考察新增數據后的查全率和查準率能否最終能達到理想的水平。計算查全率和查準率時,正類測試集為表2 電飯煲的測試集,反類測試集為表3的反類數據。實驗結果如圖8 所示。

圖8 擴展半徑ISVDD 算法結果Fig.8 Result of incremental support vector data description with extended radius algorithm

從圖8 中半徑變化規律可見,在新數據加入后,擴展半徑ISVDD 算法一開始由于新增了距離較遠的支持向量,超球面半徑逐漸增加;后續更新中,由于超球面已覆蓋較大范圍,新數據大多出現在超球面內,ISVDD 算法半徑不變[24],衰減系數ρ使半徑逐步收斂。此特點意味著算法會先貪心式地尋找更多可能的同類數據,再收斂以避免無限擴展。

對于查準率和查全率的變化,由于特征向量考慮了CUSUM 分段后每一段功率的輸入,對數據形態相似性的要求極高,因此反類數據不會誤識別,查準率嚴格為100%。而對正類,經過增量式的擴展學習后,查全率能夠達到90% 以上。鑒于擴展半徑ISVDD 算法并未有先驗的帶標簽數據輸入,而是在第1 條電飯煲數據出現后自動進行同類數據的發現,因此能夠隨系統運行自動實現新類別數據集的擴展,使得智能用電網絡中無標簽的量測數據也能夠發揮更大價值。

4 結論

具備電器級負荷控制功能的智能用電網絡自趨優運行的前提是對負荷信息的感知。本文提出了擴展應用潛力較高的負荷狀態與類型辨識算法,經實證分析有以下結論:

1)本文提出的改進CUSUM 方法的狀態劃分結果能夠對應電器工況;而基于狀態的SVDD 類型辨識算法以及擴展半徑ISVDD 算法則具備較好的可擴展性。

2)以上辨識算法都具有實時、準確的特點,能夠滿足智能用電網絡低頻量測場景下自趨優控制的需要。

對智能用電網絡的電器負荷數據的挖掘可結合類型和狀態信息進一步擴展,如基于狀態進行電器故障辨識、效用檢測,基于負荷工作時間特性進行用戶行為的刻畫等,這些多元化信息的探索將是未來的研究方向。

附錄A

圖A1 實時識別過程及各步驟中間數據形式Fig.A1 Real-time identification process and intermediate data of each step

圖A2 部分電器的狀態分析結果Fig.A2 Analysis results of some electrical appliances states

圖A3 基于智能用電網絡的數據收集過程Fig.A3 Data collection process based on Smart Electric Appliance Network

表A1 算法獨立性與泛化性實驗數據集構成Table A1 Data set for the experiment of algorithm independece and generalization

表A2 算法自動擴展性實驗數據集構成Table A2 Data set for the experiment of algorithm outomatic scalability

表A3 電器功率狀態特征統計Table A3 State characteristic statistics of electrical appliances power